检索结果-内蒙古大学图书馆

仪器仪表学报 2025年第1期46卷 285-297页

作者：高学金吴浩宁高慧慧齐咏生北京工业大学信息科学技术学院北京100124 内蒙古工业大学电力学院呼和浩特010051

冷水机组是供暖通风与空气调节系统的重要组成部分,当冷水机组发生故障时将造成能源浪费甚至安全事故。因此,针对冷水机组的故障诊断对于暖通风与空气调节等系统至关重要。基于数据驱动的故障诊断方法依赖大量历史数据,但带标签的故障... 详细信息

冷水机组是供暖通风与空气调节系统的重要组成部分,当冷水机组发生故障时将造成能源浪费甚至安全事故。因此,针对冷水机组的故障诊断对于暖通风与空气调节等系统至关重要。基于数据驱动的故障诊断方法依赖大量历史数据,但带标签的故障数据往往难以收集,导致模型的诊断准确率下降。为此,提出了一种基于一致损失生成对抗网络(CLGAN)的故障诊断方法。首先,利用少量带标签样本和大量无标签样本训练CLGAN,并生成故障数据;然后,利用生成数据与历史数据构建一个包含各类故障的平衡数据集;最后,利用该数据集训练故障分类器并对冷水机组进行实时诊断。CLGAN通过在判别器中引入一致性损失函数,能够有效利用无标签数据辅助模型训练,提升了数据利用率。同时,CLGAN迫使生成器在多个尺度上满足判别器的要求,这种多维度的反馈机制使得模型在面对扰动时,依然能生成高质量的样本,进而提高故障诊断的准确性和鲁棒性。基于ASHRAE和HY-31C数据集的实验结果表明,在各类别仅有5个带标签样本的情况下,CLGAN分别获得了92.8%和95.9%的故障诊断准确率,展现了良好的故障诊断性能。此外,在噪声和跨工况实验中,CLGAN相比于其他对比方法也展现出了良好的鲁棒性和泛化性。

关键词：故障诊断生成对抗网络冷水机组一致损失函数无标签数据

来源：评论

学校读者我要写书评

暂无评论

基于大语言模型监督的无标签医疗表格数据学习方法

基于大语言模型监督的无标签医疗表格数据学习方法

引用

作者：胡朝文浙江大学

学位级别：硕士

在现代医疗领域,数据对于诊断、疗效评估和医学研究至关重要。虽然医疗表格数据的收集过程复杂且敏感,但更加突出的挑战在于这些数据的标注和整合。医疗表格数据,包括病历信息和检测结果等,分散于不同的机构和系统中。而整合这些数据,... 详细信息

在现代医疗领域,数据对于诊断、疗效评估和医学研究至关重要。虽然医疗表格数据的收集过程复杂且敏感,但更加突出的挑战在于这些数据的标注和整合。医疗表格数据,包括病历信息和检测结果等,分散于不同的机构和系统中。而整合这些数据,尤其是在跨机构合作的情况下,尤为困难。更重要的是,这些医疗表格数据的标注过程既耗时又成本高昂,因为它需要依赖于专业的医学知识。特别是在罕见病的数据标注方面,难度更大,因为相关的专家稀缺,专业知识和经验不足。因此,如何利用无标签的医疗表格数据有效地训练表格学习模型,成为了计算机辅助医疗的一个主要研究方向。为了解决无法在无标签的医疗表格数据上训练模型的难题,本文提出了一种基于大语言模型监督的无标签医疗表格数据学习方法。该方法能够有效的利用无标签的医疗表格数据来训练表格学习模型,且所得模型的性能可与使用真实标记的医疗表格数据训练得到的模型媲美。鉴于大语言模型无法直接对医疗表格数据进行标注,本文提出了一种将医疗表格数据转化为提示词数据集的方法,这一方法严格遵守提示词编写规范,最大限度地发挥了大语言模型的潜能。然而,大语言模型标注的医疗表格数据集中的样本标签存在噪声,直接使用这些带噪声的数据训练表格学习模型会导致效果不佳。为此,本文提出了一种面向有噪声标签的医疗表格数据的监督学习方法GPTMix,其创新之处主要体现在以下四个方面:a.基于LLM的标签平滑策略,通过使用LLM生成的软标签,实现了标签平滑。这不仅缓解了标签噪声的影响,还提高了模型在各种挑战性环境中的鲁棒性和泛化能力。b.基于LLM的高质量验证集的早停策略,为了避免模型过拟合,引入了基于LLM筛选出的高质量验证集的早停策略。这一策略特别适用于样本量较少的医疗数据集,帮助模型在正确的时间点停止训练,防止过度拟合。c.分布对齐策略,这有助于确保模型在训练过程中关注到所有类别,有效利用有限的标签数据,从而增强模型在不同类别数据上的泛化能力。d.锚定数据增强策略,有助于模型学习到更具鲁棒性的表征,提高在不同数据分布下的泛化能力。本文实验结果显示,基于大语言模型监督的无标签医疗表格数据学习方法,在7个医疗数据集上训练的模型显著超越了使用大语言模型生成的标签计算方法,ACC提升9.4%至21.9%,AUC提升10.8%至21.1%。与使用真实标签训练的模型相比,ACC达到其90.6%至103.1%,AUC达到其95.0%至115.1%,表明该方法的有效性。此外,本文提出的针对有噪声标签数据的医疗表格数据学习方法GPTMix,与基线方法对比表现最佳。与现有最好的方法对比,在7个数据集上ACC提升0.6%至2.4%,AUC提升0.7%至2.2%,证明了该方法的优越性。

关键词：大语言模型无标签数据有噪声标签学习表格学习

来源：评论

学校读者我要写书评

暂无评论

基于动态阈值增强原型网络的联邦半监督学习模型

引用

智能系统学报 2024年第3期19卷 534-545页

作者：陈涛谢在鹏屈志昊河海大学计算机与信息学院江苏南京211100

目前,联邦半监督学习面临着有效利用训练过程中大量无标签数据的挑战。尽管通过轻量级的原型网络实现客户端之间的知识共享可以缓解伪标签质量问题,但仍然有瓶颈。本文提出一种新的动态阈值增强下的原型网络联邦半监督学习算法。通过引... 详细信息

目前,联邦半监督学习面临着有效利用训练过程中大量无标签数据的挑战。尽管通过轻量级的原型网络实现客户端之间的知识共享可以缓解伪标签质量问题,但仍然有瓶颈。本文提出一种新的动态阈值增强下的原型网络联邦半监督学习算法。通过引入课程伪标签技术,其核心是对不同类别样本的学习状态动态调整阈值,使模型能够学习高质量的样本,显著提高模型的预测性能。实验结果表明,本算法在多个数据集上均取得优异的测试性能。在CIFAR-10数据集上,本算法相对于同类算法至少提高3%的测试精度。此外在SVHN和STL-10数据集上也有1%~7%的领先优势。值得注意的是,本算法在处理异质性和同质性数据时表现出色,且对于不同比例的有标签和无标签数据都具有良好的适应性。本算法不仅提高测试精度,而且未带来额外的通信开销和计算成本。这些结果表明本算法在联邦半监督学习领域具有巨大潜力,并为实际应用提供了一个性能卓越且高效的解决方案。

关键词：联邦学习半监督学习知识共享原型网络伪标签动态阈值无标签数据数据异质性

来源：评论

学校读者我要写书评

暂无评论

基于改进半监督生成对抗网络的少量标签轴承智能诊断方法

引用

振动与冲击 2022年第22期41卷 184-192页

作者：邢晓松郭伟电子科技大学机械与电气工程学院成都611731

轴承在线监测大数据主要是由大量无标签数据和少量有标签数据组成的。已有的智能诊断方法多依赖于大量有标签数据的监督学习。针对此问题,提出一种改进半监督生成对抗网络,利用生成器与分类器的对抗学习增强分类器的辨识能力,提出了增... 详细信息

轴承在线监测大数据主要是由大量无标签数据和少量有标签数据组成的。已有的智能诊断方法多依赖于大量有标签数据的监督学习。针对此问题,提出一种改进半监督生成对抗网络,利用生成器与分类器的对抗学习增强分类器的辨识能力,提出了增强特征匹配算法,借助分类器的深层特征优化网络损失值计算,进而提高网络收敛速度,结合半监督学习使用少量有标签数据进一步提升分类器的学习能力,最终实现对无标签数据的正确归类。使用四组轴承试验数据的迁移学习验证和对比了改进深度网络对不同轴承、工况、故障生成模式、故障程度的辨识能力,结果表明该网络具有更高的分类准确率和更快的收敛速度。

关键词：深度学习迁移学习故障诊断半监督学习无标签数据轴承

来源：评论

学校读者我要写书评

暂无评论

基于半监督学习的梨叶病害检测

引用

江苏农业科学 2024年第5期52卷 192-201页

作者：郑旭康李志忠秦俊豪广东工业大学信息工程学院广东广州510006

植物病害的检测与识别是一个日益发展的研究领域,随着机器学习和深度学习概念的不断介入,为农业的发展提供了重要的技术支持。然而,目标检测技术存在着带标注数据获取成本高,且需要大量的人工来对数据进行标注等问题,给技术的实际应用... 详细信息

植物病害的检测与识别是一个日益发展的研究领域,随着机器学习和深度学习概念的不断介入,为农业的发展提供了重要的技术支持。然而,目标检测技术存在着带标注数据获取成本高,且需要大量的人工来对数据进行标注等问题,给技术的实际应用造成了一定的阻碍。为解决在使用少量已标注数据及大量未标注数据进行训练模型从而提高准确率的问题,提出一种YOLO目标检测结合self-training半监督学习的方法,并且针对现有的YOLO v3-Tiny目标检测网络在半监督学习基础上准确率相比于监督学习较低的问题,对原有的YOLO v3-Tiny模型进行了改进。首先,使用空间金字塔池化结构对主干网络的多尺度特征进行融合;其次,将YOLO v3-Tiny检测头部分的标准卷积层替换成GSConv;最后,运用BiFPN结构对中间部分的特征与检测头部分的多尺度特征进行双向融合。本研究提出的基于半监督学习的改进型YOLO v3-Tiny网络可以快速准确地检测出梨叶上的病斑,在试验中,准确度、召回率、平均精度分别达到97.07%、93.78%、97.51%,对于快速准确地诊断出梨叶病斑的危害程度并且及时进行防治具有十分重要的意义。

关键词：深度学习半监督学习目标检测梨无标签数据

来源：评论

学校读者我要写书评

暂无评论

基于改进域对抗网络的轴承故障迁移诊断方法

引用

电子测量与仪器学报 2022年第11期36卷 107-115页

作者：张金汇谢林柏江南大学物联网工程学院无锡214122

针对工业场景下复杂工况导致的轴承故障数据特征分布差异,以及难以获得大量有标签数据的问题,提出一种基于Wasserstein距离与局部最大平均偏差(LMMD)改进的一维卷积子域适应对抗迁移网络(SANN)。该网络首先构建CNN特征提取器进行预训练... 详细信息

针对工业场景下复杂工况导致的轴承故障数据特征分布差异,以及难以获得大量有标签数据的问题,提出一种基于Wasserstein距离与局部最大平均偏差(LMMD)改进的一维卷积子域适应对抗迁移网络(SANN)。该网络首先构建CNN特征提取器进行预训练,学习领域特征表示,在对抗训练阶段,对抗层引入Wasserstein距离来度量源域与目标域的差异,实现边缘分布的对齐,固化训练结果。在特征提取层引入LMMD计算模块捕获每个类别的细粒度信息,实现条件分布的对齐。通过两种变工况下的轴承故障数据集对该模型性能进行验证。实验结果表明,无监督的条件下,本文所提方法在目标数据集上相较于基础域对抗网络分别提高了5.0%和6.9%的识别精度,性能优于现有的迁移算法。

关键词：轴承故障智能故障诊断无标签数据对抗迁移网络

来源：评论

学校读者我要写书评

暂无评论

基于Tri-SE-CNN的风电机组叶片结冰检测研究

引用

太阳能学报 2024年第12期45卷 360-369页

作者：孙坚杨宇兵三峡大学电气与新能源学院宜昌 443002 新能源微电网湖北省协同创新中心(三峡大学) 宜昌 443002 三峡大学电气与新能源学院宜昌 443002

针对现有风力机叶片结冰检测方法未能充分利用无标签数据,且分类性能差的问题,提出一种基于改进的三重训练和卷积神经网络(Tri-SE-CNN)的结冰检测方法.首先建立基于最优加权策略的三重训练(Tri-training)模型,对无标签样本的状态进行判... 详细信息

针对现有风力机叶片结冰检测方法未能充分利用无标签数据,且分类性能差的问题,提出一种基于改进的三重训练和卷积神经网络(Tri-SE-CNN)的结冰检测方法.首先建立基于最优加权策略的三重训练(Tri-training)模型,对无标签样本的状态进行判别,用以扩充训练集;接着将压缩与激励(SE)模块嵌入到卷积神经网络(CNN)中,并用SE-CNN分类器学习扩充后的样本集.结合提取的叶片结冰主控特征,以2017年工业大数据创新竞赛平台中15号和21号风力机数据为例进行仿真,并用云南某风场历史数据进行验证.实验结果表明,所提方法的准确度优于CNN、支持向量机等方法,在15号风力机上达到99.96%,可为风力机叶片结冰预警提供有益参考.

关键词：风电机组叶片无标签数据卷积神经网络三重训练压缩和激励网络结冰检测

来源：评论

学校读者我要写书评

暂无评论

基于无标签半监督学习的商品识别方法

引用

计算机应用与软件 2022年第7期39卷 167-173页

作者：刘文豪姜胜明上海海事大学信息工程学院上海201306

深度学习商品识别技术存在有标签数据获取成本高、无标签数据获取简单高效的问题,给技术的实际应用造成了一定障碍。为解决在少量有标签数据下用大量无标签数据提高模型准确率的问题,提出一种半监督学习方法。使用基于self-training的... 详细信息

深度学习商品识别技术存在有标签数据获取成本高、无标签数据获取简单高效的问题,给技术的实际应用造成了一定障碍。为解决在少量有标签数据下用大量无标签数据提高模型准确率的问题,提出一种半监督学习方法。使用基于self-training的方式训练两个目标检测模型;在检测模型的损失函数中加入基于熵的正则化项,提高无标签预测的准确性;为避免错误伪标签数据不断被使用,采取co-training的训练方式。通过构建包含16 000幅图片的商品识别数据集,最终实验结果表明,相比没有利用无标签数据之前,SSD模型的精度从90.6%提高到了97.2%,YOLOv3模型精度从91.7%提高到了96.9%。

关键词：半监督学习商品识别目标检测无标签数据伪标签

来源：评论

学校读者我要写书评

暂无评论

基于半监督学习Informer算法的工业机器人故障诊断方法

引用

机电工程技术 2024年第2期53卷 24-28页

作者：宋俊杰陈翀王涛程良伦广东工业大学广东省信息物理融合重点实验室广州510006

在工业领域中,六轴机器人的故障监测数据难以收集大量的故障标签数据。传统的智能诊断方法通常依赖于大规模有标签数据的监督学习,但这在实际应用中存在局限。在解决这一问题的同时,针对单一模型特征提取能力不足、分类性能差的问题,结... 详细信息

在工业领域中,六轴机器人的故障监测数据难以收集大量的故障标签数据。传统的智能诊断方法通常依赖于大规模有标签数据的监督学习,但这在实际应用中存在局限。在解决这一问题的同时,针对单一模型特征提取能力不足、分类性能差的问题,结合半监督学习机制与Informer在处理时序数据的优势,提出一种基于半监督学习和概率稀疏注意力的Informer网络架构,实现对少量有标签数据和大量未标签数据的深度学习,以实现对设备故障的精准诊断。对多组真实环境下采集的工业六轴机器人试验数据进行验证,并与CNN、LSTM、GRU 3种深度学习网络对不同故障程度的辨识能力进行比较。结果表明,在无标签数据为100%组的对比实验中所提出方法的故障诊断准确率达到了90%,同时具有更高的分类准确率和更快的收敛速度;在10%标签数据的条件下所提出方法可实现的诊断准确率达到89.7%。

关键词：深度学习故障诊断半监督学习无标签数据工业机器人

来源：评论

学校读者我要写书评

暂无评论

基于改进生成对抗网络的轴承故障诊断方法研究

基于改进生成对抗网络的轴承故障诊断方法研究

引用

作者：张金汇江南大学

学位级别：硕士

随着制造业的发展,工业设备的安全性问题引起了更多的关注。滚动轴承作为旋转机械最重要的零件之一,由于长期处在高温、高速或重载等恶劣工作环境,对滚动轴承工作状态的监视及故障状态的诊断成为了研究人员关注的重点,也是机械系统预防... 详细信息

随着制造业的发展,工业设备的安全性问题引起了更多的关注。滚动轴承作为旋转机械最重要的零件之一,由于长期处在高温、高速或重载等恶劣工作环境,对滚动轴承工作状态的监视及故障状态的诊断成为了研究人员关注的重点,也是机械系统预防与维护的关键问题之一。因此,本文以轴承故障为研究对象,以不平衡数据集、数据缺少标注以及变工况的生产环境为实际应用背景,针对有监督下的样本不平衡问题,无监督下的聚类问题,以及训练模型迁移困难的问题展开研究,具体研究内容如下:(1)针对轴承故障数据类别不平衡的问题,提出了基于辅助类别一维卷积生成对抗网络的不平衡故障诊断方法。该方法首先引入一维卷积神经网络(One Dimensional Convolutional Neural Networks,1DCNN)对辅助类别生成对抗网络进行改造,利用其对于一维时序数据的特征提取能力,提高模型生成指定类别样本的质量。随后将生成样本混入原始样本中以平衡少数类别样本,得到特征更为丰富的数据集。最后使用1DCNN故障诊断模型对扩充前后各平衡率的凯斯西储大学轴承数据集进行诊断。实验结果表明数据逐渐平衡之后,模型性能得到显著提升,说明了该方法在解决正负样本不平衡问题方面的出色能力。(2)针对轴承故障数据缺少标注的问题,提出了基于自注意力机制分类生成对抗网络的无监督故障诊断方法。首先将轴承数据经过快速傅里叶变换处理,减少无效的噪声干扰。其次设计模型主体结构为1DCNN,以提升模型学习能力,并引入自注意力机制模块,增强模型对于通道之间特征的感知能力。最后通过无标签的轴承数据集对模型的性能进行验证。实验结果表明,所提模型有效地提高了诊断准确率,并且在抗噪性能和抗负载迁移性能方面,也展现出了所有对比算法中突出的抗噪能力和较好的抗负载迁移能力。(3)针对工业场景下复杂工况导致的轴承故障数据特征分布差异,以及难以获得大量有标签数据的问题,提出一种基于Wasserstein距离与局部最大平均偏差改进的一维卷积子域适应对抗迁移网络。该网络首先构建1DCNN特征提取器进行预训练,学习领域特征表示。在对抗训练阶段,对抗层引入Wasserstein距离来度量源域与目标域的差异,实现边缘分布的对齐,固化训练结果。在特征提取层引入局部最大平均偏差计算模块捕获每个类别的细粒度信息,实现条件分布的对齐。通过两种变工况下的轴承故障数据集对该模型性能进行验证。实验结果表明,无监督的条件下,所提模型在目标数据集上相较于基础域对抗网络分别提高了5.0%和6.9%的识别精度,性能优于现有的迁移算法。

关键词：轴承故障生成对抗网络类别不平衡无标签数据迁移学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：